[發(fā)明專利]一種基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的股指價格預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201910041322.3
• 申請日: 2019-01-16
• 公開（公告）號: CN109492838A
• 公開（公告）日: 2019-03-19
• 發(fā)明（設(shè)計）人: 顏雪松;余鵬飛;孫淼
• 申請（專利權(quán)）人: 中國地質(zhì)大學(xué)（武漢）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q40/04
• 代理公司: 武漢知產(chǎn)時代知識產(chǎn)權(quán)代理有限公司 42238
• 代理人: 孫妮

1.一種基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的股指價格預(yù)測方法，其特征在于：包括以下步驟：

S101：獲取待預(yù)測股指的歷史指數(shù)數(shù)據(jù)，并將獲取的歷史指數(shù)數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)序列和預(yù)測數(shù)據(jù)序列；其中，預(yù)測數(shù)據(jù)序列為：待預(yù)測工作日前n個工作日的真實股指組成的數(shù)據(jù)序列；n大于0，為預(yù)設(shè)值；

S102：利用小波去噪方法對訓(xùn)練數(shù)據(jù)序列和預(yù)測數(shù)據(jù)序列分別進行去噪處理，以去除異常數(shù)據(jù)，得到去噪后的訓(xùn)練數(shù)據(jù)序列和去噪后的預(yù)測數(shù)據(jù)序列；

S103：對去噪后的訓(xùn)練數(shù)據(jù)序列和去噪后的預(yù)測數(shù)據(jù)序列分別進行相空間重構(gòu)，并對重構(gòu)后的訓(xùn)練數(shù)據(jù)序列和重構(gòu)后的預(yù)測數(shù)據(jù)序列分別進行標(biāo)準(zhǔn)化和結(jié)構(gòu)化處理，得到最終處理后的訓(xùn)練數(shù)據(jù)序列和處理后的預(yù)測數(shù)據(jù)序列；

S104：構(gòu)建長短時記憶節(jié)點的深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)所述處理后的訓(xùn)練數(shù)據(jù)序列，采用監(jiān)督學(xué)習(xí)的方法對所述深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到訓(xùn)練后的長短時記憶節(jié)點網(wǎng)絡(luò)模型；

S105：根據(jù)所述處理后的預(yù)測數(shù)據(jù)序列，采用訓(xùn)練后的長短時記憶節(jié)點網(wǎng)絡(luò)模型，對待預(yù)測的工作日的股指進行預(yù)測，得到待預(yù)測的工作日的預(yù)測股指。

2.如權(quán)利要求1所述的一種基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的股指價格預(yù)測方法，其特征在于：步驟S101中，獲取待預(yù)測股指的歷史指數(shù)數(shù)據(jù)的方法包括：從待預(yù)測股指所對應(yīng)的財經(jīng)網(wǎng)站上獲取和從待預(yù)測股指所對應(yīng)的專家機構(gòu)獲取。

3.如權(quán)利要求3所述的一種基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的股指價格預(yù)測方法，其特征在于：步驟S102中，利用小波去噪方法對訓(xùn)練數(shù)據(jù)序列和預(yù)測數(shù)據(jù)序列分別進行去噪處理的步驟包括：

S201：采用Haar函數(shù)作為小波基函數(shù)對訓(xùn)練數(shù)據(jù)序列和預(yù)測數(shù)據(jù)序列分別進行小波分解并確定分解的層次；

S202：對小波分解每層高頻系數(shù)進行閾值量化處理；

S203：對分解后的低頻系數(shù)和經(jīng)過量化處理后的高頻系數(shù)進行小波重構(gòu)，得到去噪后的訓(xùn)練數(shù)據(jù)序列和去噪后的預(yù)測數(shù)據(jù)序列。

4.如權(quán)利要求1所述的一種基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的股指價格預(yù)測方法，其特征在于：步驟S103中，對去噪后的訓(xùn)練數(shù)據(jù)序列和去噪后的預(yù)測數(shù)據(jù)序列分別進行相空間重構(gòu)時，重構(gòu)前的數(shù)據(jù)序列為：y_(t)＝x(t),t＝1,2,…,n，y_(t)為第t時刻的股指指數(shù)；進行相空間重構(gòu)后，第t時刻的數(shù)據(jù)為：X(n)＝x(n),x(n+τ),...,x(n+(m-1)·τ)；重構(gòu)后數(shù)據(jù)所組成的序列為：

其中，τ為延遲時間間隔，m為生成序列的嵌入維度。

5.如權(quán)利要求4所述的一種基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的股指價格預(yù)測方法，其特征在于：采用互信息法對時延間隔τ進行計算，采用Cao方法對嵌入維度m進行計算。

6.如權(quán)利要求1所述的一種基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的股指價格預(yù)測方法，其特征在于：步驟S103中，標(biāo)準(zhǔn)化方法為：將重構(gòu)后的訓(xùn)練數(shù)據(jù)序列和重構(gòu)后的預(yù)測數(shù)據(jù)序列分別初始化為服從正太分布；結(jié)構(gòu)化方法采用滑動時間窗劃分方法。

7.如權(quán)利要求1所述的一種基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的股指價格預(yù)測方法，其特征在于：步驟S104中，所述長短時記憶節(jié)點的深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型的相關(guān)參數(shù)為：輸入和輸出層均為m個節(jié)點，隱含層層數(shù)為L，每層隱含層的節(jié)點數(shù)為K個；其中，L和K通過網(wǎng)格搜索的方法選擇出最優(yōu)組合；激活函數(shù)為雙曲正切函數(shù)；損失函數(shù)表達示如下：

上式中，x′_(t+d×τ)為預(yù)測的t時刻的股指，x_(t+d×τ)為t時刻的實際股指；τ為延遲時間間隔。

8.如權(quán)利要求1所述的一種基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的股指價格預(yù)測方法，其特征在于：步驟S104中，采用監(jiān)督學(xué)習(xí)的方法對所述深度循環(huán)神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練時，數(shù)據(jù)步長為10，初始化學(xué)習(xí)率為0.001，節(jié)點保留概率為0.4，迭代次數(shù)為5000次。